基于深度学习的泵站电机故障诊断与寿命预测模型OA

地下泵站因集约高效、占地少等优势被广泛应用于复杂地形引调水工程中,但由于其特殊的地下布设环境,传统依赖经验的运维手段在设备检修与状态监测中逐渐暴露出局限性,亟需引入智能化建模与预测方法提升运维效率与可靠性.本研究以平鲁地下泵站为研究对象,基于现场采集的电气量、热特性、振动信号及环境因素等多源监测数据,构建了融合卷积神经网络(CNN)与长短期记忆网络(LSTM)的深度学习模型,用于电机典型故障识别与剩余寿命预测,并引入随机森林(RF)与极端梯度提升(XGBoost)模型作为对比基准,系统评估各模型在实际应用场景下的性能差异.结果表明,CNN-LSTM模型在故障诊断任务中具有较好的分类能力,整体准确率达到 76%,多数故障类型的F1-score超过 0.75,能够有效识别典型工况下的电机运行状态;在剩余寿命预测(RUL)任务中同样表现突出,决定系数R2 达 0.933 7,平均绝对误差(MAE)为 0.039 9,显著优于XGBoost和随机森林模型,展现出更强的退化趋势拟合能力和预测精度;SHAP解释结果验证了模型预测的合理性与可解释性,热特性参数对寿命预测模型影响最大,电气量、振动和环境因素次之.研究成果为泵站电机健康状态智能识别与寿命趋势预测提供了技术支撑,对推进水利工程装备智能化运维具有重要实践价值.